申请/专利权人：安徽大学

申请日：2023-12-29

公开（公告）日：2024-04-02

公开（公告）号：CN117807328A

主分类号：G06F16/9536

分类号：G06F16/9536;G06Q50/00;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于拓扑与属性结合的局部社团检测的好友推荐方法，包括：1.利用局部社团的社团结构信息与属性信息，设计在社团中的加边策略，使得社团内成员联系更紧密；2.利用特有的属性信息，并在进化中设计翻转策略，使得社团检测的成员更加精准。本发明能充分利用社交网络中的拓扑与属性信息，通过加边与翻转策略，从而能快速有效地找到社交网络中用户的真正好友集，最大化局部社区检测方法的范围与准确性。

主权项：1.一种基于拓扑与属性结合的局部社团检测的好友推荐方法，其特征是应用于社交网络中，所述社交网络表征为G＝{V,E,A}，其中，V＝{v1,v2,…,vi,…,vm}表示所述社交网络G中的所有用户的集合，vi表示第i个用户；m为用户的总数；E＝{eij|i＝1,2,…,m；j＝1,2,…,m}表示任意两个用户之间的联系集合；eij表示第i个用户vi与第j个用户vj之间的联系；若第i个用户vi与第j个用户vj之间存在联系，则令eij＝1；否则，令eij＝0；A＝{A1,A2,…,Ai,…,Am}表示所述社交网络G的群体行为集合；Ai表示所述群体行为属性集合A中第i个用户vi的行为属性集合；所述好友推荐方法是按如下步骤进行：步骤1、确定第i个用户vi与其他用户之间的关系；步骤1.1、利用式1计算第i个用户vi的被选择概率Pi： 式1中，dij表示第i个用户vi与第j个用户vj的用户之间的最短距离；pmax表示用户被选择最大概率，pmin表示用户被选择最小概率，dmax表示用户之间的最大距离；判断Pi是否大于随机数rand，若大于，则令Pi＝1；否则，令Pi＝0；步骤1.2、利用式2计算第i个用户vi的行为属性集合Ai与第j个用户vj的行为属性集合Aj之间相似度Sij： 判断Sij是否大于等于Δ1且小于等于1，若是，则令Sij＝1；否则，判断Sij是否小于Δ1且大于Δ2，若是，则Sij保持不变，否则，表示Sij小于等于Δ2且大于等于0，并令Sij＝0；步骤1.3、利用式3计算第i个用户vi与第j个用户vj的混合相似度mixij，从而得到第i个用户vi与所有用户的混合相似度并进行降序排序，得到排序后的第i个用户vi的混合相似度集合；mixij＝Sij+Pi3步骤1.4、设置两个相似度阈值，用于将排序后的第i个用户vi的混合相似度集合划分为三个子集，并将第一个子集中的所有用户作为第i个用户vi的亲密用户集合将第二个子集中的所有用户作为第i个用户vi的重要用户集合将第三个子集中的所有用户作为第i个用户vi的陌生用户集合根据第i个用户vi的亲密用户集与重要用户集中用户的序号对亲密用户集与重要用户集中所有用户进行升序排序，得到第i个用户vi排序后的亲密重要用户集合；根据第i个用户vi排序后的亲密重要用户集合得到对应的混合相似度集合，记为Mixi＝{mixi1,mixi2,…,mixik,…mixid}，其中，mixik表示第i个用户vi与亲密重要用户集合中的第k个用户vk混合相识度；d表示亲密重要用户集合中的用户总数；步骤1.5、从社交网络G中选出所有与亲密用户集中的用户没有边连接的用户并作为vi的一般用户，将一般用户中与亲密用户集的行为属性集合Aclose之间相似度为1的所有用户，作为vi的潜在用户并构成vi的潜在用户好友集Ui，并将潜在用户好友集Ui中相似度为1的所有用户之间的边构成虚拟边集E'i；步骤2、用户间添加联系；步骤2.1、定义当前循环次数为T，并初始化T＝1；分别对第i个用户vi的亲密用户集中各个亲密用户之间添加边，并作为vi在第T次循环的用户好友集步骤2.2、以潜在用户好友集Ui与用户好友集之间的交集作为vi在第T次循环的目标用户集步骤2.3、利用式4计算第T次循环下添加用户间联系的目标函数 式4中，表示用户好友集内边的数量；表示用户好友集中的用户与不在中的用户之间的边的数量；步骤2.4、判断中每一个用户加入到中，且在虚拟边集E'i中也添加对应的边后，是否变大，若变大，则从将相应用户删除后，添加到中，否则，不添加，从而得到第T+1次循环的用户好友集步骤2.5、判断是否为空，若为空，则将加入并去除重复用户后，得到vi的最终用户好友集否则，将T+1赋值给T后，返回步骤2.2顺序执行；步骤3、计算第i个用户vi的行为属性众数和的局部模块度；步骤3.1、根据式5计算第i个用户vi的选友标准Ave_si：Aue_si＝mode{Si1,Si2，...,Sik，...,Sid}5式5中，sik表示第i个用户vi的行为属性Ai与用户好友集中第k个用户vk的行为属性Ak之间的相似度；mode表示取众函数；如果sik≥Ave_si，表则示第k个用户vk符合用户vi的选友标准；否则，表示第k个用户vk不符合用户vi的选友标准；步骤3.2、利用式6构建第i个用户vi的用户好友集的局部模块度 式6中，|E|表示社交网络表征G中用户之间的边数量，表示第i个用户vi的用户好友集中用户之间的边数量，表示第i个用户vi的用户好友集中用户之间的边数量以及用户好友集中的用户，与不在用户好友集中的用户之间的边数量之和；步骤4、利用粒子群算法计算第i个用户vi的用户好友集中的真正好友；步骤4.1、初始化粒子群算法的各个参数，包括：粒子的总数τmax、迭代次数t、最大迭代次数tmax、当前粒子序号τ，并初始化t＝1；步骤4.2、以第t代种群中第τ个粒子的位置作为vi对用户好友集中各个用户的选择情况，以第t代种群中第τ个粒子的速度作为vi对用户好友集中各个用户的选择方向，从而产生第t代种群中第τ个粒子的位置和速度和分别表示第t代种群中的第τ个粒子的第k维位置和第k维速度，其中，若则表示选择用户好友集中的第k个用户vk作为真正好友，若则表示不选择用户好友集中的第k个用户vk作为真正好友，1≤τ≤τmax；1≤k≤d；若则表示选择用户好友集中的第k个用户vk作为好友时方向出错，若则表示选择用户好友集中的第k个用户vk作为好友时方向正确；步骤4.3、利用式6计算第t代种群中第τ个粒子的局部模块度并作为适应度从而得到第t代种群中τmax个粒子的适应度，并从中选择最大适应度所对应的粒子作为第t代种群的局部最优粒子，将第t代种群的局部最优粒子的最优位置记为其中，表示第t代种群的局部最优粒子的第k维最优位置；步骤4.4、将作为全局最优粒子Xgbest＝{xgbest,1,xgbest,2,…,xgbest,k,…xgbest,d}；其中，xgbest,k表示全局最优粒子中的第k维最优位置；步骤4.5、根据第t代中第τ个粒子的位置和速度分别计算第t+1代的第τ个粒子的位置和速度从而获得第t+1代粒子群中τmax个粒子的位置和速度；步骤4.6、按照步骤4.3的过程得到第t+1代种群的局部最优粒子的最优位置记为其中，表示第t+1代种群的局部最优粒子的第k维最优位置；步骤4.7、若Xgbest的适应度大于的适应度，则保持全局最优粒子Xgbest不变，否则，将赋值给Xgbest；步骤4.8、将t+1赋值给t，判断ttmax是否成立，若成立，则执行步骤4.5顺序执行；否则，表示完成tmax次迭代，并获得全局最优粒子Xgbest所对应的用户好友选择方案并作为vi最终选择的真正好友集合。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于拓扑与属性结合的局部社团检测的好友推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD